category96妈妈杯大数据数学建模.docxVIP

分析流程

数据源：

350个品类的库存量-副本-category328.xlsx

算法配置：

算法：时间序列分析ARIMA

变量：时间序列数据：{库存量}；时间项：{月份}

参数：向后预测单位：{3}；参数自动寻优：{是}

分析结果：

时间序列分析（ARIMA）是基于历史数时期据去预测未来时期数据：模型的拟合优度R2为0.659，模型表现较为良好。未来3期预测结果分别为314.92796795957196、241.43603147763275、202.2661242922852。

分析步骤

1.ARIMA模型要求序列满足平稳性，查看ADF检验结果，根据分析t值，分析其是否可以显著性地拒绝序列不平稳的假设(P0.05)。

2.查看差分前后数据对比图，判断是否平稳（上下波动幅度不大），同时对时间序列进行偏（自相关分析），根据截尾情况估算其p、q值。

3.ARIMA模型要求模型具备纯随机性，即模型残差为白噪声，查看模型检验表，根据Q统计量的P值(P0.05)对模型白噪声进行检验，也可以结合信息准则AIC和BIC值进行分析（越低越好），也可以通过模型残差ACF/PACF图进行分析根据模型参数表，得出模型公式结合时间序列分析图进行综合分析，得到向后预测的阶数结果。

Tips：采用ARIMA模型预测时序数据，必须是稳定的，如果不稳定的数据，是无法捕捉到规律的。比如股票数据用ARIMA无法预测的原因就是股票数据是非稳定的，常常受政策和新闻的影响而波动，可以使用ADF检验，该检验用于稳定性检验，使用差分分析对数据进行稳定性处理。

详细结论

输出结果1：ADF检验表

ADF检验表

变量

差分阶数

t

P

AIC

临界值

1%

5%

10%

库存量

0

-25.328

0.000***

42.951

-5.354

-3.646

-2.901

1

-3.215

0.019**

41.197

-6.045

-3.929

-2.987

2

-2.211

0.202

49.916

-5.354

-3.646

-2.901

注：***、**、*分别代表1%、5%、10%的显著性水平

图表说明：

上表格为ADF检验的结果，包括变量、差分阶数、T检验结果、AIC值等，用于检验时间序列是否平稳。

●该模型要求序列必须是平稳的时间序列数据。通过分析t值，分析其是否可以显著地拒绝序列不平稳的原假设。

●若呈现显著性(P0.05)，则说明拒绝原假设，该序列为一个平稳的时间序列，反之则说明该序列为一个不平稳的时间序列。

●临界值1%、5%、10%不同程度拒绝原假设的统计值和ADFTestresult的比较，ADFTestresult同时小于1%、5%、10%即说明非常好地拒绝该假设。

●差分阶数：本质上就是下一个数值，减去上一个数值，主要是消除一些波动使数据趋于平稳，非平稳序列可通过差分变换转化为平稳序列。

●AIC值：衡量统计模型拟合优良性的一种标准，数值越小越好。

●临界值：临界值是对应于一个给定的显着性水平的固定值。

智能分析：

该序列检验的结果显示，基于变量库存量:

在差分为0阶时，显著性P值为0.000***，水平上呈现显著性，拒绝原假设，该序列为平稳的时间序列。

在差分为1阶时，显著性P值为0.019**，水平上呈现显著性，拒绝原假设，该序列为平稳的时间序列。

在差分为2阶时，显著性P值为0.202，水平上不要呈现显著性，不能拒绝原假设，该序列为不平稳的时间序列。

输出结果2：最佳差分序列图

库存量

图表说明：

上图展示了原始数据0阶差分后的时序图。

输出结果3：最终差分数据自相关图(ACF)

图表说明：

上图展示了自相关图(ACF)，包括系数，置信上限和置信下限。

●横轴代表延迟数目，纵轴代表自相关系数。

●自相关(ACF)图在q阶进行截尾，偏自相关(PACF)图拖尾，ARMA模型可简化为MA(q)模型。

●倘若自相关与偏自相关图均拖尾，可结合PACF、ACF图中最显著的阶数(最小值)作为p、q值。

●倘若自相关与偏自相关图均截尾，可以选择更换更高的差分，或则不适合建立ARMA模型。

●截尾是在置信区间内，ACF或PACF在某阶后就恒等于零(或在0附近随机波动)。

●拖尾是在置信区间内，ACF或PACF始终有非零取值，不呈现在某阶后就恒等于零(或在0附近随机波动)。

输出结果4：最终差分数据偏自相关图(PACF)

图表说明：

上图展示了偏自相关图(PACF)，包括系数，置信上限和置信下限。

●偏自相关(PACF)图在p阶进行截尾，自相关(ACF)图拖尾，ARMA模型可简化为AR(P)模型。

●倘若自相关与偏自相关图均拖尾，可结合PACF、ACF图中最显著的